一种基于动态资源采集的Hadoop作业调度算法

为了克服Hadoop中基于槽的资源模型对集群资源的浪费,提高Hadoop集群的资源利用率,提出了一种基于动态资源采集的Hadoop作业调度算法.通过在作业运行过程中动态采集部分任务的CPU,内存和IO的资源利用率来评估同一作业中其他任务的资源需求,然后根据任务的实际资源需求以及TaskTracker节点的负载情况进行任务调度,以充分利用各TaskTracker节点的计算资源.通过对比实验表明该调度算法能明显提高集群的资源利用率,缩短作业的完成时间.     

虚拟Hadoop平台动态资源调度策略研究

Hadoop应用研究主要包括云存储,数据查询,数据分析,数据挖掘,关联广告等,不同的Hadoop应用对机器的资源要求不同,主要分为CPU、内存、I/O、网络密集型任务。传统的Hadoop集群在物理机上任务会比较密集,各种应用只能排队依次处理,机器的CPU、IO和存储会非常繁忙,负载不均衡。虚拟化Hadoop可以帮助用户在基础设施上实现灵活、弹性、安全和快捷的大数据资源调度。本文提出一种动态规划算法动态调度资源,在虚拟化后的Hadoop集群可以把不同的资源要求的应用单独分开放在不同的物理机上并行高效地处理,从而大大提高Hadoop集群的性能。     

基于粒子群算法的资源受限项目扩展调度方法

针对资源受限的项目调度问题,提出了一种离散粒子群算法与扩展调度机制相结合的优化方法.离散粒子群算法中每个粒子的位置代表一组项目任务的优先权,迭代中通过交叉策略和局部搜索策略来更新粒子的位置,这既保持了粒子位置的离散性,又增加了粒子的多样性,避免早熟收敛.每个粒子的位置通过扩展串行调度机制转换成可行的调度方案.实算表明,扩展调度机制的引入显著地加速了收敛的进程,提高了解的精度.这种基于粒子群算法的扩展调度优化方法是求解资源受限项目调度问题的有效方法.     

云计算资源调度算法的研究与实现

在研究蚁群算法、任务分配和资源调度的基础上,提出了一种改进的蚁群资源调度算法.首先通过引入节点可信度机制在一定程度上增强了云计算资源的搜索能力和节点完成任务的成功率.然后在改进的算法中使用了信息素的局部更新机制和全局更新机制,可以有效地平衡负载.最后通过选取合适的参数利用CloudSim仿真工具对改进的资源调度算法进行实验测试,实验结果表明此算法缩短了任务的执行时间,改善了云计算资源调度的性能.     

基于蚁群算法的云计算资源调度分析

当前,云计算资源调度中常用的算法包括遗传算法、蚁群算法、粒子群算法以及综合优化算法等。不同算法所关注的角度存在一定的差异,遗传算法和粒子群算法主要从资源调度的效率方面进行优化,而蚁群算法则是从云计算资源调度的计算成本方面进行考虑。论文讨论了基于优化蚁群算法的云计算资源调度,在兼顾任务效率的基础上,能够进一步降低计算成本。     

基于遗传和粒子群算法的天基资源调度策略

以提高天基资源调度效率为目标,提出一种基于遗传和粒子群算法的天基资源调度策略。将资源调度问题抽象为任务排序模型,设计适用于任务排序的十进制编码规则;通过重新定义遗传算法中选择、交叉和变异算子的进化行为以及粒子群算法的速度方向,结合遗传算法全局最优搜索、粒子群算法局部快速收敛等优点设计适用于天基资源调度的遗传-粒子群算法。通过实验验证遗传-粒子群算法能够在较短的时间内计算出全局最优解,是一种高效的天基资源调度解决方法。     

基于蚁群的云计算资源调度研究

针对云计算环境中资源调度的问题,提出了一种基于改进蚁群的云计算资源调度算法。在算法中添加了查找表,存储其他蚂蚁推荐的节点。当任务分类比较明确的时候,查找表的优点更加地突出。在信息素的计算中加入了成功率因子,成功率越高的节点被选中的概率就越大。本文使用Cloud Sim对算法进行了仿真,仿真结果表明提出的算法缩短了搜寻资源节点的时间,从而使任务可以更快地获得资源并执行,保证了任务能够按时完成。     

多态蚁群算法优化的云资源调度策略研究

针对传统蚁群算法易陷于早熟收敛等问题,提出了采用自适应多态蚁群算法(APACA)来寻求一组最优的资源调度方案,并与轮循(RR)调度算法和传统的蚁群(ACA)算法通过CloudSim仿真平台进行对比,结果表明:APACA在任务处理的平均完成时间更具有优势。     

基于改进蚁群算法的云资源调度研究

如何同时满足数据资源的高效利用和使用者对运营商提出的QoS请求已经成为了当下的研究热点,提出使用改进蚁群算法对云资源的的调度进行研究.研究将云计算特征与蚁群算法相融合并通过仿真实验的方式进行验证.研究结果表明:基于改进蚁群算法的调度策略与基本蚁群算法相比,运行时间更短、平均费用更低、可靠性更高、总体效用更高、DI值更好...     

基于粒子群算法的多应急点资源调度研究

分析多应急点多出救点以及多资源的应急调度问题,且考虑实际的应急资源调度时间会受到影响,故加入联系数进行分析,建立应急最早开始时间和出救点数最少为目标函数的模型.运用粒子群算法求解,最后构造数值算例,验证了所建立模型的合理性和粒子群算法的可行性.     

群智能理论及应用

作为一种新兴演化计算技术,群智能已成为新的研究热点,它与人工生命,特别是进化策略和遗传算法有着极为特殊的联系,已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法.更为重要的是,群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证.本文介绍了群智能理论的产生和发展过程,并着力阐述了两种典型算法;微粒群算法和蚁群算法的基本原理以及研究现状.     

双向收敛蚁群算法在云计算资源调度中的QoS应用

云计算环境下,用户数量和处理的任务数量庞大,对任务完成时间和满足客户的QoS需求上具有较高要求。针对云计算中资源调度问题进行了研究,在综合考虑运行时间和满足客户QoS需求的情况下,建立了云计算资源调度适应度函数模型,并在最大最小蚁群算法的基础上引进了双向收敛策略。通过在CloudSim平台模拟实验,表明该算法在云计算资源分配上具有较快的收敛速度和较好的QoS服务能力,是一种有效的资源调度算法。     

一种基于Petri网的多目标无死锁蚁群调度算法

蚁群算法已被广泛应用于解决调度问题,针对资源受限的项目调度问题,死锁和多目标问题是重要的课题研究。文中针对具有死锁资源受限的多目标调度问题,采用Petri网模型,研究其蚁群调度算法,以紧急项目的完成时间和所有项目的完成时间最短为优化目标,并通过仿真实验验证了文中算法的有效性和实用性。     

面向密集多波束组网的卫星通信系统资源调度算法

研究了高动态、资源受限条件下的卫星通信系统资源调度问题.以时间窗口、卫星功耗、信道数量、用户优先级以及任务突发性为约束,建立了卫星资源调度模型.考虑到传统的蚁群优化算法存在初期搜索速度过慢、局部搜索能力较弱以及易陷入局部最优等缺点,提出了以初始解集构造、额外信息素沉积为核心的改进蚁群优化算法,来求解资源调度问题.仿真实...     

基于蚁群算法的有时间窗车辆调度问题的研究

有时间窗的车辆调度问题（vSPITw）是一个复杂的非线性组合优化问题，一般运用分阶段方法求解。现将蚁群算法应用于车辆调度问题，设计动态确定车辆数和随机搜索路径的新方法，实现车辆数和路径长度的同时优化，并对蚁群算法的信息素更新规则进行了改进，以优化其搜索能力和加快收敛速度。同时给出了算法的实现过程，通过对实例求解，取得了满意的结果。     

基于改进蚁群算法的客户服务调度方法

提出一种基于改进蚁群算法的客户服务调度方法。改进蚁群算法综合考虑了服务处理的顺序、服务时间及服务台负载等因素，快速地完成客户服务需求的调度。该算法是一种群体寻优方法．能较快地搜索到全局最优解。仿真实验结果表明，该方法是正确的、可行的和有效的。     

基于蚁群算法的Ad Hoc网络QoS组播路由研究

在解决Ad Hoc网络QoS组播路由问题上,针对蚁群算法缺点,提出了一种融合粒子群优化思想的改进蚁群算法.该算法融合PSO思想以加速蚁群算法在路由发现及维护时的收敛速度.仿真结果表明,该算法具有较好的性能,是解决Ad Hoc网络QoS组播路由问题的有效方法.     

粒子群蚁群融合算法的火灾救援路径研究

为获取最优的救援路径,以提高救援的有效性和实时性,文中提出了一种粒子群蚁群融合算法。该算法在分析影响路径选择因素的基础上,运用模糊数学中的层次分析法评定了道路的权重,建立了消防灭火救援模型;使用粒子群算法快速获取次优解,将此次优解作为蚁群算法的初始信息素增量,并将求解出各段路径权重矩阵引入到优化后的蚁群算法状态转移概率的求解模型中来,再利用这种改进后的状态转移规则,且考虑行车速度时变性的基础上求解出模型的最优解。实验结果表明,该方法可以完成最佳救援路径的规划。